آموزش ساخت و بهینه‌سازی (Fine-Tuning) برنامه‌های مبتنی بر مدل‌های زبانی بزرگ (LLM) - آخرین آپدیت

دانلود Building and Fine-Tuning LLM Applications

نکته: ممکن هست محتوای این صفحه بروز نباشد ولی دانلود دوره آخرین آپدیت می باشد.
نمونه ویدیوها:
توضیحات دوره: این دوره دارای قابلیت Coursera Coach است! راهی هوشمندتر برای یادگیری با گفتگوهای تعاملی و لحظه‌ای که به شما کمک می‌کند تا دانش خود را بیازمایید، فرضیات را به چالش بکشید و در طول مسیر دوره، درک خود را عمیق‌تر کنید. در این دوره جامع، شما نحوه ساخت و بهینه‌سازی مدل‌های زبانی بزرگ (LLMs) را برای کاربردهای دنیای واقعی خواهید آموخت. با شروع از مفاهیم بنیادی، از طریق پروژه‌های عملی بر روی سیستم‌های تولید تقویت‌شده با بازیابی سند (RAG)، یکپارچه‌سازی LangChain و تکنیک‌های Fine-tuning پیش خواهید رفت. شما مهارت‌های لازم برای ساخت برنامه‌های سفارشی مانند سیستم RAG برای فایل‌های PDF، دستیار صوتی و خلاصه‌ساز ویدیوهای یوتیوب را با تمرکز بر بهینه‌سازی بازیابی و تولید محتوا کسب خواهید کرد. این دوره با ترکیبی از دروس تئوری و تمرینات عملی، تسلط شما را بر ساخت و تنظیم دقیق LLMها برای various وظایف مبتنی بر هوش مصنوعی تضمین می‌کند. همچنین به بررسی عمیق روش‌های پیشرفته Fine-tuning مانند LoRA (Low-Rank Adaptation) خواهید پرداخت و یاد می‌گیرید چگونه مدل‌ها را با کمترین منابع محاسباتی به صورت بهینه تنظیم کنید. در طول دوره، پروژه‌های واقعی را پیاده‌سازی خواهید کرد که قابلیت‌های پیچیده LLM را در برنامه‌های کاربردی ادغام می‌کنند. در پایان دوره، شما قادر خواهید بود LLMها را برای وظایف شخصی‌سازی شده مستقر و بهینه کنید و ابزارهای لازم برای مقابله با چالش‌های پیچیده هوش مصنوعی در پروژه‌های خود را خواهید داشت. این دوره برای یادگیرندگان سطح متوسط تا پیشرفته با تجربه برنامه‌نویسی طراحی شده است و برای کسانی که می‌خواهند درک خود را از LLMها عمیق‌تر کرده و آن‌ها را برای حل مشکلات خاص صنعتی به کار گیرند، ایده‌آل است. هیچ تجربه قبلی در زمینه Fine-tuning لازم نیست، هرچند آشنایی با پایتون و مبانی یادگیری ماشین مفید خواهد بود. در پایان این دوره، شما قادر خواهید بود برنامه‌های LLM شامل سیستم‌های RAG، دستیاران صوتی و چت‌بات‌های تخصصی را با استفاده از تکنیک‌های پیشرفته‌ای مانند LoRA بسازید، بهینه کرده و مستقر نمایید.

سرفصل ها و درس ها

عملی: سیستم PDF RAG با تکه‌بندی متن Hands-On: PDF RAG System with Text Chunking

  • جریان کاری PDF RAG: بررسی کلی معماری PDF RAG Workflow: Architecture Overview

  • پردازش PDF و تکه‌بندی و هم‌پوشانی تکه‌ها: بررسی عمیق PDF and Chunk Processing and Chunk Overlap: Deep Dive

  • راه‌اندازی کلاس و متدهای SimpleRAGSystem Setting Up the SimpleRAGSystem Class and Methods

  • تست سیستم PDF RAG Testing the PDF RAG System

  • جریان کاری ساده PDF RAG: خلاصه Simple PDF RAG Workflow: Summary

مبانی LangChain و یکپارچه‌سازی جریان کاری LangChain Fundamentals and Workflow Integration

  • مقدمه‌ای بر فریم‌ورک‌های LLM: مبانی LangChain LLM Frameworks Introduction: LangChain Fundamentals

  • LangChain چیست و اجزای اصلی آن کدامند What Is LangChain and Main Components

  • راه‌اندازی LangChain و ChatModel LangChain Setup and ChatModel

  • عملی: قالب‌های ChatPromptTemplates در LangChain Hands-On: LangChain ChatPromptTemplates

  • اندکس‌ها، بازیاب‌ها و آماده‌سازی داده‌ها: بررسی کلی Indexes, Retrievers, and Data Preparation: Overview

  • عملی: لودرهای متن (TextLoaders) در LangChain Hands-On: LangChain TextLoaders

  • عملی: تقسیم‌بندی و پاک‌سازی متن Hands-On: Text Splitting and Cleaning

  • عملی: Embeddings و بازیاب با FAISS VectorStore Hands-On: Embeddings and Retriever with FAISS VectorStore

  • بررسی عمیق TextSplitter در LangChain LangChain TextSplitter: Deep Dive

  • لودر دایرکتوری (DirectoryLoader) در LangChain LangChain DirectoryLoader

  • لودر PDF در LangChain LangChain PDFLoader

  • عملی: زنجیره‌ها (Chains) در LangChain Hands-On: LangChain Chains

  • عملی: سیستم RAG ساده با چت و زنجیره‌های LangChain Hands-On: Simple RAG System with Chat and LangChain Chains

  • عملی: ساخت ربات پاسخگوی کامل RAG با استفاده از LangChain Hands-On: Full RAG System QA Bot Using LangChain

عملی: ساخت برنامه‌های LLM با LangChain Hands-On: Building LLM Applications with LangChain

  • برنامه LLM: خلاصه‌ساز اخبار - بررسی کلی معماری LLM Application: News Summarizer—Architectural Overview

  • خلاصه‌ساز اخبار: پیاده‌سازی کامل News Summarizer: Full Implementation

  • برنامه LLM: خلاصه‌ساز ویدیوهای یوتیوب - بررسی کلی معماری LLM Application: YouTube Video Summarizer—Architectural Overview

  • راه‌اندازی پیش‌نیازهای خلاصه‌ساز یوتیوب و سیستم پرسش و پاسخ YouTube Video Summarizer and Q&A Dependency Setup

  • راه‌اندازی کلاس خلاصه‌ساز یوتیوب و بررسی مرحله به مرحله YouTube Video Summarizer Class Setup and Walkthrough

  • پرسش و پاسخ خلاصه‌ساز یوتیوب: تست جریان کاری YouTube Video Summarizer Q&A: Testing the Workflow

  • برنامه LLM: سیستم RAG دستیار صوتی - بررسی کلی معماری LLM Application: Voice Assistant RAG System—Architectural Overview

  • سیستم RAG دستیار صوتی: دمو Voice Assistant RAG System: Demo

  • سیستم RAG دستیار صوتی: بررسی مرحله به مرحله و دمو Voice Assistant RAG System: Walkthrough and Demo

تنظیم دقیق (Fine Tuning) مدل‌های زبانی بزرگ Fine-Tuning LLMs

  • مقدمه‌ای بر Fine Tuning: بررسی کلی Fine-Tuning Introduction: Overview

  • تکنیک‌های Fine Tuning: بررسی کلی Fine-Tuning Techniques: Overview

  • مقایسه تکنیک‌های Fine Tuning Fine-Tuning Comparison of Techniques

  • فرآیند کلی Fine Tuning: بررسی کلی Fine-Tuning General Process: Overview

  • قیمت‌گذاری Fine Tuning مدل‌های OpenAI Fine-Tuning OpenAI Models Pricing

  • توکن‌ها و ابزار Tokenizer در OpenAI Tokens and the Tokenizer OpenAI Tool

  • عملی: تنظیم دقیق یک مدل OpenAI - راهنمای کامل Hands-On: Fine-Tuning an OpenAI Model—Full Walkthrough

  • ساخت چت‌بات با مدل بهینه شده و تست آن Creating a Chatbot with Our Fine-Tuned Model and Testing

تنظیم دقیق مبتنی بر LoRA و استقرار LoRA-Based Fine-Tuning and Deployment

  • مقدمه‌ای بر LoRA: مزایا LoRA Introduction: Benefits

  • تحلیل عمیق LoRA LoRA Deep Analysis

  • جریان کاری استراتژی پیاده‌سازی LoRA LoRA Implementation Strategy Workflow

  • عملی: آموزش مدل‌ها - LoRA و PEFT Hands-On: Training Models—LoRA and PEFT

  • اجرای Fine Tuning مدل LoRA و تست Running LoRA Model Fine-Tuning and Testing

  • ساخت سرویس API برای ارتباط با مدل‌های بهینه شده Creating an API Service to Interface with Our Fine-Tuned Models

  • تست نقطه انتهایی (Endpoint) ای‌پی‌آی مدل LoRA Testing Our LoRA Model API Endpoint

  • چت با مدل‌های بهینه شده توسط LoRA Chatting with LoRA Fine-Tuned Models

  • جریان کاری کامل LoRA: آموزش و چت با مدل‌های بهینه شده Full LoRA Workflow: Train and Chat with Fine-Tuned Models

جمع‌بندی و گام‌های بعدی Wrap-Up and Next Steps

  • جمع‌بندی نهایی دوره تخصصی Conclusion to the Specialization

نمایش نظرات

آموزش ساخت و بهینه‌سازی (Fine-Tuning) برنامه‌های مبتنی بر مدل‌های زبانی بزرگ (LLM)
جزییات دوره
8h 44m
46
(آخرین آپدیت)
366
- از 5
دارد
دارد
دارد
Chris Croft
جهت دریافت آخرین اخبار و آپدیت ها در کانال تلگرام عضو شوید.

Google Chrome Browser

Internet Download Manager

Pot Player

Winrar

Chris Croft Chris Croft

مربی مدیریت، سخنران، نویسنده